MIRNet

Learning Enriched Features for Real Image Restoration and Enhancement 论文复现

官方源码：https://github.com/swz30/MIRNet

复现地址：https://github.com/sldyns/MIRNet_paddle

1. 简介

给定一个图像 $I \in {\mathbb R}^{H\times H \times 3}$，MIRNet 首先应用一个卷积层来提取低级特征 $X_0 \in {\mathbb R}^{H\times W\times C}$. 接下来，特征映射 $X_0$ 通过 $N$ 个递归残差组(RRGs)，产生深度特征 $X_d \in {\mathbb R}^{H\times W\times C}$. 我们注意到每个 RRG 包含多个多尺度残差块(MRB)，MRB 由多个（本文中有三个）并行连接的全卷积流组成，每个连接上先由 DAU 抑制了不太有用的特性，并且只允许信息更丰富的特性进一步传递给 SKFF，SKFF 模块通过 Fuse 和 select 两种操作对接受域进行动态调整. 接下来， 应用卷积层，得到残差图像 $R \in {\mathbb R}^{H\times H \times 3}$。最后，恢复的图像为 $\hat{I} = I+R$.

2. 复现精度

验收标准：SIDD PSNR: 39.678

复现结果：SIDD PSNR: 39.687

3. 数据集、预训练模型、文件结构

数据集

下载数据并分 patch：

1. 下载 SIDD-Medium 训练数据 并放在 ./SIDD_patches/train
2. 生成图像 patches

python generate_patches_SIDD.py --ps 256 --num_patches 300 --num_cores 10

3. 下载 SIDD 验证数据 并放在 ./SIDD_patches/val

已经分好 patch 的数据：

放在了 Ai Studio 里.

预训练模型

百度网盘：下载链接，提取码：u1z5 ，下好后放在文件夹 pretrained_models 下

1. 官方预训练模型，已转为 paddle 的，名为 model_denoising.pdparams.
2. 复现的模型，名为 model_best.pdparams.
3. pytorch 的初始化参数，名为 torch_init.pdparams

文件结构

MIRNet_Paddle
    |-- dataloaders
    |-- SIDD_patches
         |-- train                 # SIDD-Medium 训练数据
         |-- val                   # SIDD 测试数据
         |-- train_mini            # 小训练数据，用于TIPC测试
         |-- val_mini              # 小测试数据，用于TIPC测试
    |-- logs                       # 训练日志
    |-- test_tipc                  # TIPC: Linux GPU/CPU 基础训练推理测试
    |-- networks
         |-- MIRNet_model.py       # MIRNet模型代码
    |-- pretrained_models          # 预训练模型
    |-- utils                      # 一些工具代码
    |-- config.py                  # 配置文件
    |-- export_model.py            # 预训练模型的导出代码
    |-- generate_patches_SIDD.py   # 生成patch的代码
    |-- infer.py                   # 模型推理代码
    |-- LICENSE                    # LICENSE文件
    |-- losses.py                  # 损失函数
    |-- predict.py                 # 模型预测代码
    |-- README.md                  # README.md文件
    |-- test_denoising_sidd.py     # 测试SIDD数据上的指标
    |-- train.py                   # TIPC训练测试代码
    |-- train_denoising_1card.py   # 单机单卡训练代码
    |-- train_denoising_4cards.py  # 单机多卡训练代码
    |-- training_1card.yml         # 单机单卡训练配置文件
    |-- training_4cards.py         # 单机多卡训练配置文件

4. 环境依赖

PaddlePaddle >= 2.2.0

scikit-image == 0.19.2

5. 快速开始

训练默认读取 Pytorch 随机初始化的模型参数，若想使用 Paddle 作初始化，则请将配置文件中的 Resume 改为 False

单机单卡

python train_denoising_1card.py

配置文件为 training_1card.yml，论文中设置 batch_size 为16，该大小单张V100似乎跑不了，请使用A100或降低 batch_size.

单机四卡

python -m paddle.distributed.launch train_denoising_4cards.py

此处为用四张卡，配置文件为 training_4cards.yml，总 batch_size 为16.

训练过程会将模型参数保存在 ./checkpoints/Denoising/model/MIRNet/ 文件夹下.

日志读取

训练过程会将日志记录保存在 ./checkpoints/Denoising/logs/MIRNet/ 文件夹下.

日志是用 VisualDL 工具记录的，在根目录下，可通过以下方式查看：

visualdl --logdir ./checkpoints/Denoising/logs/MIRNet/

或通过：

from visualdl.server import app
app.run(logdir="./checkpoints/Denoising/logs/MIRNet")

模型评估

在 SIDD 测试数据上作测试

python test_denoising_sidd.py --weights ./pretrained_models/model_best.pdparams

输出如下：

PSNR: 39.6872 
SSIM: 0.9586 

接近了验收精度.

模型预测

在 SIDD 小验证集上作预测，结果存放在 results/ 文件夹下

python predict.py --model_ckpt ./pretrained_models/model_best.pdparams --data_path ./SIDD_patches/val_mini/ --save_path results/ --save_images

输出为：

PSNR on test data 42.0375, SSIM on test data 0.9807,

推理过程：

需要安装 reprod_log：

pip install reprod_log

模型动转静导出：

python export_model.py --model-dir ./pretrained_models/model_best.pdparams --save-inference-dir ./output/

最终在output/文件夹下会生成下面的3个文件：

output
  |----model.pdiparams     : 模型参数文件
  |----model.pdmodel       : 模型结构文件
  |----model.pdiparams.info: 模型参数信息文件

模型推理：

python infer.py --model-dir output --use-gpu True --benchmark False --clean-dir=./SIDD_patches/val_mini/groundtruth/0000-0000.png --noisy-dir=./SIDD_patches/val_mini/input/0000-0000.png

输出结果为：

image_name: ./SIDD_patches/val_mini/input/0000-0000.png, psnr: 42.75602317929622

6. TIPC

首先安装AutoLog（规范化日志输出工具）

pip install  https://paddleocr.bj.bcebos.com/libs/auto_log-1.2.0-py3-none-any.whl

在linux下，进入 MIRNet_paddle 文件夹，运行命令：

bash test_tipc/prepare.sh ./test_tipc/configs/MIRNet/train_infer_python.txt 'lite_train_lite_infer'
bash test_tipc/test_train_inference_python.sh ./test_tipc/configs/MIRNet/train_infer_python.txt 'lite_train_lite_infer'

7. LICENSE

本项目的发布受Apache 2.0 license许可认证。